-
公开(公告)号：CN117320037A
公开(公告)日：2023-12-29
申请号：CN202311240806.3
申请日：2023-09-25
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了6G车联网中改进的DBSCAN算法与多对多匹算法的任务卸载机制，属于车联网技术领域，设计了一个改进的基于密度的空间应用噪声聚类算法，以涉及更多分散的车辆进行聚类，采用了一个多对多的匹配算法来配对车辆和辅助MEC服务器，还设计了基于多智能体的任务卸载机制来减少延迟并提高资源利用效率。本发明提出的改进的DBSCAN算法克服了参数选择的敏感性，不需要特别精准的参数设置，可以在密度不均匀的数据集上表现良好，克服了车辆密度对聚类结果的影响，并且本发明提出的多对多匹配机制提高了车辆剩余计算资源的利用率并且极大的缓解了边缘服务器的压力，同时保证高优先级任务优先进行计算。
-
Patent Agency Ranking
公开(公告)号：CN117852087A
公开(公告)日：2024-04-09
申请号：CN202410034488.3
申请日：2024-01-10
Applicant: 东北大学秦皇岛分校
IPC: G06F21/62 , G08G1/01 , G08G1/065 , G06Q10/04 , G06Q50/26 , G06F18/213 , G06F18/22 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/084 , G06N3/096 , G06N3/098
Abstract: 本发明公开了跨城市交通流预测中一种基于隐私保护的联邦迁移学习算法，提出了一个多模态的图卷积网络和时域卷积网络模型2MGTCN。在保护数据隐私的同时，保证TFP准确性。该模型包含三个主要组成部分：源域、迁移学习和目标域，在该模型中我们采用灰色关系分析方法和动态时间规整方法分别捕获道路关系和流量关系。此外，采用图卷积网络和时域卷积网络架构来捕获道路网络的空间和时间信息。为了保护目标城市数据的隐私，我们使用联邦学习来训练目标模型，并提出一种基于空间相似性的参数聚合算法。
-
公开(公告)号：CN114925857B
公开(公告)日：2024-08-13
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
IPC: G06N3/098 , G06N3/0442 , G06N3/092 , G08G1/01 , G06F21/62
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
公开(公告)号：CN114928893B
公开(公告)日：2024-04-16
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
公开(公告)号：CN114928893A
公开(公告)日：2022-08-19
申请号：CN202210699515.X
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于智能反射面的架构及任务卸载方法，涉及自动驾驶领域。该基于智能反射面的架构及任务卸载方法，包括以下步骤：S1、建立用于任务卸载的车辆‑智能反射面‑边缘计算服务器的无线通信信道；S2、降低系统的时延；S3、映射平面层将边缘设备进行数字孪生体映射；S4、深度强化学习DRL算法从历史数据中随机选择数据；S5、数字孪生网络DTN通过控制平面层对边缘网络EN进行卸载决策以及智能反射面的反射表明元素的反馈；S6、重复步骤S1‑S6直至达到终止条件。通过引入数字孪生技术，动态地监控车联网中的车辆状态以及智能反射面状态，协同调度车联网计算资源，合理分配卸载决策以及通过智能反射面增强任务卸载信道质量。
-
公开(公告)号：CN114925857A
公开(公告)日：2022-08-19
申请号：CN202210699512.6
申请日：2022-06-20
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种用于交通状态估计的联邦学习算法，涉及交通状态监管领域。该用于交通状态估计的联邦学习算法，包括以下步骤：S1、构建LSTM；S2、发送给各个RSU；S3、模型训练；S4、利用A3C算法强化学习算法进行参数上传以及下载策略的分配；S5、各个RSU模型根据参数上传以及下载策略，选择是否将模型参数发送给服务器或者从服务器下载最新的模型参数以继续训练；S6、参数聚合并计算成本；S7、重复步骤S2‑S6；S8、得到预测结果以及成本。通过长短时记忆(LSTM)模型提取交通状态的时间相关性，并估计交通流量及道路车速两种交通状态指标，解决了基于联邦学习的交通状态估计研究网络资源分配不合理、客户端参与联邦学习不均衡的问题。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
